基于公平度门限认知无线电资源分配算法.docVIP

基于公平度门限的认知无线电资源分配算法 引言 公平性问题是任何多用户通信系统都需要考虑的关键问题之一，是指在有限的资源下要如何兼顾各用户的需求。它与系统吞吐量共为这类通信系统两个重要性能指标。然而，在认知系统中，由于网络环境的快速变化特性，往往很难达到十分精确的资源分配公平。对于认知系统来说，一味的追求各用户间的公平性，不但浪费了宝贵的信息有效传输时间，同时也将造成系统整体容量的下降，甚至导致认知用户没有足够的时间进行有用信息的传输。因此，在认知环境下获得更多的传输机会将比资源的精确公平分配更加重要。 在本章中，我们在传统通信系统公平性的基础上，提出公平度门限的概念，根据系统的具体需求对公平性加以相应控制，同时在系统功率分配阶段采用算法效率较高的粒子群智能优化算法，使系统具有较快的收敛速度，同时又较好的达到了公平性与系统容量之间的均衡。计算机仿真结果表明所提算法具有较好的动态环境适应能力与系统性能。 公平性指数定义 在一给定的资源分配策略中，公平性指数是指用来衡量用户间获得资源是否公平的一个实数。根据不同系统的具体需求，其定义形式也会有所不同。在本文中我们采用在通信系统中已被广泛应用的Jain公平性指数[127]，其定义形式如下： (3.1) 其中，xi为归一化的分配给用户i的资源量，n为总用户数。 举例来说，若预定的公平性为50,10,10，设为oi，实际的分配量为50, 30, 50,设为ti，则归一化的分配量为，即则公平指数为 当归一化分配量为1,2,5时，，说明比上面的公平性好；当归一化分配量为1,4,5时，，说明比上面的公平性差；由此可见，Jain公平性指数越大，则表示越公平。 粒子群优化算法 粒子群算法（Particle Swarm Optimization）是近年来发展起来的一种新型的进化算法，由美国学者Kennedy和Eberhart于1995年首先提出[128]。该算法受到鸟群觅食行为的启发，模拟鸟群之间通过集体协作使群体达到食物所在地点。与遗传算法不同的是，PSO算法不进行交叉和变异操作，它根据粒子间的共享经验来进行优化搜索，因此具有实现容易、收敛速度快等特点。 在PSO算法中，每个优化问题的解都是搜索空间中的一个“粒子”。所有粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定它们飞行的方向和距离。每一个粒子可看作维空间中一个没有体积的微粒，在搜索空间以一定的速度飞行，并且根据其自身与同伴的飞行经验进行速度和位置的调整。其中第个粒子的位置与速度可分别表示为和。适应度函数被用来评价每一个粒子以找出该粒子所经历的最好位置，也称作。群体中所有粒子所经历过的最好位置使用表示。粒子在时刻第维的速度与位置更新方程如下 (3.2) (3.3) 其中，为惯性权重因子，和为正的加速常数，和为介于0和1之间的随机数。 速度方程(3.2)由三部分构成：第一部分由微粒当前的速度控制，主要用于全局搜索与局部搜索之间的均衡；第二部分为“认知”部分，它仅根据自身的情况来来调整方向以避免局部最小；第三部分为“群体”部分，表示微粒间的信息共享与合作。 粒子群算法的初始化过程为一组随机粒子，通过迭代计算来寻找最优解。各粒子追寻当前的自身极值和群体中当前时刻的全局极值来更新自己的位置。 基于公平度门限与粒子群优化的认知无线电系统资源分配算法 系统模型 假设系统中共有个认知用户共享个非连续的空闲子载波，如图 3.1所示。其可用功率为，且每一时隙的信道状态信息是不变的。 非连续子载波OFDM系统频谱模型 对于系统中的第个用户，其速率可表示为 (3.4) 其中, 表示第个用户子载波上的信噪比，即 (3.5) 其中为分配到用户子载波上的功率，为用户子载波上的信道增益，为背景噪声功率。 为信噪比间隔（SNR Gap）[129]，其表示为 (3.6) 为了便于表达，我们引入如下变量 (3.7) 则式(3.4)可重新定义为 (3.8) 基于公平度门限的优化问题 该问题的优化目标为对系统中的非连续的子载波进行功率分配，在达到预期公平度门限的前提下使整个系统的容量最大化，同时满足总功率限制条件。其优化的数学模型为 (3.9) 其中，代表认知用户总数，为空闲子载波集，为系统空闲子载波总数。为子载波使用指示因子，即当时表示子载波可被第个用户使用，否则不可